Intelligente Lade-Strategie entlastet Verkehr und Netz
Die rasante Verbreitung von Elektrofahrzeugen (EVs) stellt Städte weltweit vor eine komplexe Herausforderung. Während der Umstieg auf elektrische Antriebe unbestritten ein entscheidender Schritt für die Reduzierung von Emissionen und die Erreichung der Klimaziele ist, bringt er auch neue Belastungen für die städtische Infrastruktur mit sich. Ungeordnetes und unkoordiniertes Laden kann zu einer Reihe von Problemen führen, die weit über den individuellen Fahrer hinausgehen. Verstopfte Ladestationen, Staus in der Nähe von Schnellladepunkten, Spannungseinbrüche im Niederspannungsnetz und eine ineffiziente Nutzung der Ladeinfrastruktur sind nur einige der negativen Auswirkungen, die eine unkontrollierte Massenadoption von EVs mit sich bringen kann. Diese Probleme beeinträchtigen nicht nur die Nutzererfahrung und verlängern die Ladezeiten, sondern gefährden auch die Stabilität des Stromnetzes und die Effizienz des gesamten Verkehrssystems. In einer Zeit, in der die Zahl der Elektrofahrzeuge exponentiell wächst, ist es daher nicht mehr ausreichend, einfach nur mehr Ladepunkte zu installieren. Die Lösung liegt vielmehr in einer intelligenten Steuerung, die den Ladevorgang als einen integralen Bestandteil eines vernetzten Systems aus Fahrzeugen, Straßen, Ladestationen und Stromnetz betrachtet.
Ein Forschungsteam der Fuzhou University in China hat nun einen bahnbrechenden Ansatz vorgestellt, der genau diesen ganzheitlichen Blickwinkel einnimmt. Ihre neu entwickellte Strategie geht über herkömmliche Ansätze hinaus, die sich oft nur auf die Stabilität des Stromnetzes oder die Minimierung der Ladekosten für den Endverbraucher konzentrieren. Stattdessen schlagen die Forscher eine umfassende „geordnete Lade-Strategie“ vor, die auf einem „Fahrzeug-Straße-Station-Netz“ (VRSN) Informationskoppelungsmodell basiert. Dieses Modell erkennt die tiefgreifenden Wechselwirkungen zwischen diesen vier Elementen an und nutzt Echtzeitdaten, um für jeden Fahrer die optimale Ladestationswahl zu bestimmen – eine Wahl, die nicht nur den individuellen Bedürfnissen gerecht wird, sondern auch das Wohlergehen des gesamten Systems fördert. Das Ziel ist es, einen Kompromiss zu finden, der gleichzeitig die Wartezeit am Ladepunkt minimiert, den Verkehrsfluss aufrechterhält, die Ladeinfrastruktur gleichmäßig auslastet und die Spannungsqualität im Stromnetz sichert.
Der Kern des VRSN-Modells ist die Erkenntnis, dass das Verhalten eines einzelnen Fahrzeugs einen Kaskadeneffekt auf das gesamte System auslöst. Wenn ein Fahrer sein Elektroauto auflädt, verändert sich nicht nur der Energieverbrauch an einem bestimmten Punkt im Stromnetz, sondern auch die Verkehrsdichte auf den Straßen, die zu dieser Ladestation führen. Die Forscher modellieren diese Dynamik, indem sie die Echtzeitdaten aller vier Komponenten in einem zentralen System zusammenführen. Dieses System erfasst den Zustand jedes Fahrzeugs, einschließlich seiner Batteriekapazität, seines Standorts und seines Batterieladezustands (SOC). Es überwacht das Verkehrsaufkommen auf jedem Straßenabschnitt, die Auslastung und die verfügbare Kapazität jeder Ladestation und die Last sowie die Spannung an jedem Knoten des Stromnetzes. Diese umfassende Datenbasis ermöglicht eine präzise Vorhersage der Auswirkungen, die die Entscheidung eines Fahrers für eine bestimmte Ladestation haben wird.
Um aus dieser Fülle an Informationen eine konkrete Empfehlung abzuleiten, verwendet die Strategie einen mehrstufigen Entscheidungsprozess. Der erste Schritt besteht darin, die kürzeste Fahrzeit zu jeder verfügbaren Schnellladestation zu ermitteln. Hierbei setzt das Team jedoch nicht auf herkömmliche Navigationssysteme, die statische Karten und Durchschnittsgeschwindigkeiten nutzen. Stattdessen implementiert es einen dynamischen „Floyd“-Algorithmus. Dieser Algorithmus berechnet die kürzeste Zeitverbindung zwischen zwei Punkten in einem Netzwerk, wobei er die Echtzeitgeschwindigkeiten auf jedem Straßenabschnitt berücksichtigt. Diese Geschwindigkeiten werden wiederum durch das aktuelle Verkehrsaufkommen beeinflusst, das sich ständig verändert. Dadurch erhält das System eine realistische Einschätzung der Fahrzeit, die weit genauer ist als eine Schätzung auf Basis von Luftlinienentfernungen oder historischen Durchschnittswerten. Diese dynamische Modellierung ist entscheidend, um Fahrer nicht auf eine theoretisch kürzere, aber in Wirklichkeit verstopfte Route zu schicken.
Die reine Fahrzeit ist jedoch nur ein Aspekt der Entscheidung. Der entscheidende Faktor ist oft, was nach der Ankunft an der Ladestation passiert. Wird der Fahrer sofort laden können, oder wird er in einer langen Schlange warten müssen? Um dies vorherzusagen, analysiert das VRSN-Modell eine Reihe von „Ladeentscheidungsfaktoren“ für jede potenzielle Zielstation. Der wichtigste Faktor ist die prognostizierte Wartezeit, die auf der aktuellen Anzahl von Fahrzeugen, die bereits laden, und der Kapazität der Station basiert. Ein weiterer kritischer Faktor ist der Einfluss auf das Verkehrssystem, gemessen durch den „Verkehrsstatusindex“ (TSI). Der TSI quantifiziert den Grad der Verkehrsstaus auf den Straßen. Eine Route, die viele Fahrzeuge zu einer einzigen Ladestation führt, erhöht den TSI und verschlechtert die Verkehrsbedingungen für alle. Ein dritter Faktor ist die „Nutzung der Ladestation“, die sicherstellt, dass die teure Ladeinfrastruktur gleichmäßig ausgelastet wird und keine Station überlastet wird, während andere unterausgelastet bleiben. Schließlich wird der „Spannungsabfall“ im Stromnetz berücksichtigt. Wenn viele Fahrzeuge gleichzeitig an einer Station laden, kann dies zu einem signifikanten Spannungsabfall am zugehörigen Netzanschlusspunkt führen, was die Spannungsqualität für andere Verbraucher beeinträchtigen und sogar zu technischen Problemen führen kann.
Um eine endgültige Entscheidung aus diesen oft konkurrierenden Zielen zu treffen, setzt das Forschungsteam auf die Topsis-Methode (Technique for Order of Preference by Similarity to Ideal Solution). Topsis ist eine etablierte Methode zur multikriteriellen Entscheidungsfindung, die die „beste Kompromisslösung“ aus einer Reihe von Alternativen identifiziert. Was diese Anwendung besonders robust macht, ist die Art und Weise, wie die Gewichtung der einzelnen Faktoren bestimmt wird. Anstatt willkürliche Gewichte festzulegen, kombiniert das Team eine subjektive und eine objektive Methode zur Gewichtsbestimmung. Die subjektive Komponente basiert auf der „Analytischen Hierarchieprozess“ (AHP)-Methode, die es ermöglicht, die Präferenzen der Nutzer einzubeziehen – zum Beispiel, ob ein Fahrer Wartezeit gegenüber einer längeren Fahrzeit bevorzugt. Diese wird mit einer objektiven Komponente kombiniert, die eine verbesserte Version der CRITIC-Methode (Criteria Importance Through Intercriteria Correlation) verwendet. Diese Methode analysiert die tatsächlichen Daten, um zu bestimmen, welche Faktoren die größte Variabilität und die stärksten Konflikte aufweisen, was auf ihre reale Bedeutung hindeutet. Diese Kombination aus subjektiven Nutzerbedürfnissen und objektiven Systemdaten stellt sicher, dass die endgültige Empfehlung sowohl personalisiert als auch systemisch sinnvoll ist.
Das Ergebnis ist ein Navigationssystem, das nicht nur den nächsten Ladepunkt findet, sondern denjenigen, der das beste Gesamtergebnis für alle Beteiligten bietet. Es könnte einen Fahrer zu einer etwas weiter entfernten Station leiten, wenn dies zu einer viel kürzeren Wartezeit, weniger Verkehrsstaus und einer stabileren Netzspannung führt. Diese intelligente Routenführung unterscheidet sich grundlegend von früheren Strategien, die sich oft auf finanzielle Anreize wie zeitabhängige Tarife konzentrierten. Während Preise ein mächtiges Instrument sind, wirken sie auf einer langsameren Zeitskala und erfordern die aktive Teilnahme der Nutzer. Die VRSN-Strategie hingegen kann in Echtzeit automatisierte Empfehlungen liefern, die nahtlos im Hintergrund funktionieren und die Erfahrung für alle Nutzer verbessern, ohne dass sich ihr Verhalten ändern muss.
Die Vorteile dieses Ansatzes sind tiefgreifend und vielfältig. Für den einzelnen Fahrer ist die unmittelbarste Verbesserung eine drastische Reduzierung der Wartezeit an der Ladestation. In den Simulationen des Forschungsteams reduzierte die vorgeschlagene Strategie die durchschnittliche Wartezeit um beeindruckende 75% im Vergleich zu einem Szenario, in dem Fahrer einfach die nächstgelegene Station wählen. Dies verwandelt die Ladung von einer potenziellen Quelle der Frustration und Zeitverschwendung in einen schnellen und zuverlässigen Service. Die Analyse zeigte, dass über 90% der Fahrer, die die neue Strategie nutzen, innerhalb von zehn Minuten laden können, im Vergleich zu nur 75% bei der ungeordneten Vorgehensweise. Dieses Servicelevel ist entscheidend, um eine breitere Akzeptanz von Elektrofahrzeugen zu fördern, da die „Reichweitenangst“ zunehmend von der „Ladeangst“ abgelöst wird.
Die Auswirkungen auf den Verkehrsfluss sind ebenso signifikant. Indem die Ladeanfragen intelligent über mehrere Stationen verteilt werden, verhindert die Strategie die Bildung von Verkehrsknotenpunkten um beliebte Ladestationen. Die Simulationen zeigten eine messbare Verringerung des „Verkehrsstatusindex“, was auf eine Reduzierung der Gesamtbelastung des Verkehrsnetzes hindeutet. Dies profitiert nicht nur die Fahrer von Elektrofahrzeugen, sondern verbessert auch die Bedingungen für alle Straßenbenutzer, reduziert die Fahrzeiten und die Emissionen für das gesamte Verkehrssystem. Es markiert einen Wandel von einem reaktiven Modell, bei dem Staus nach ihrem Auftreten verwaltet werden, hin zu einem proaktiven Modell, bei dem die Nachfrage verwaltet wird, um sie von vornherein zu verhindern.
Für Betreiber von Ladestationen bietet die Strategie einen Weg zu einem effizienteren und profitableren Betrieb. Indem die Last über ihr Netzwerk von Stationen ausgeglichen wird, können Betreiber sicherstellen, dass ihre teure Ladeinfrastruktur gleichmäßiger genutzt wird. Die Studie zeigte eine signifikante Verbesserung der „Netzgleichmäßigkeit“, was bedeutet, dass der Unterschied zwischen den am stärksten und am schwächsten genutzten Stationen stark verringert wurde. Dies verhindert das kostspielige Szenario, dass einige Stationen überlastet und anfällig für Ausfälle sind, während andere unterausgelastet sind und keinen Umsatz generieren. Es ermöglicht den Betreibern, die Rendite ihrer Infrastrukturinvestitionen zu maximieren und ihren Kunden einen konsistenteren und qualitativ hochwertigeren Service zu bieten.
Die Implikationen für das Stromnetz sind vielleicht die kritischsten. Das unkontrollierte, gleichzeitige Laden von Tausenden von Elektrofahrzeugen kann massive Lastspitzen erzeugen, die das Verteilungsnetz belasten und Spannungseinbrüche verursachen. Die Studie fand heraus, dass die vorgeschlagene Strategie den Gesamtspannungsabfall signifikant reduziert, ein zentraler Indikator für die Netzbelastung. Dies bedeutet eine stabilere und zuverlässigere Stromversorgung für alle Verbraucher in der Region. Die Forscher identifizierten jedoch eine wichtige sekundäre Herausforderung: das Langsamladen. Während die Strategie das Schnellladen effektiv verwaltet, kann das nächtliche „Trickle-Charging“ von Elektrofahrzeugen zu Hause oder am Arbeitsplatz immer noch eine sekundäre Lastspitze am Abend erzeugen, wenn die Fahrer zurückkehren und gleichzeitig anschließen. Um dies zu beheben, führten die Forscher eine komplementäre „Langsamlade-Optimierungsstrategie“ ein.
Diese zweite Phase der Strategie konzentriert sich auf Elektrofahrzeuge, die zu ihrem Ausgangspunkt zurückgekehrt sind, typischerweise zu Hause oder im Büro. Anstatt sofort zu laden, analysiert das System die Netzauslastung während der Ruhezeit des Fahrers. Es identifiziert dann den Zeitraum mit der geringsten Stromnachfrage und plant das Langsamladen für diesen Zeitraum. Diese einfache, aber wirksame Idee verwandelt Millionen von geparkten Elektrofahrzeugen von einem potenziellen Problem in eine Lösung. Indem sie ihre Ladung auf Zeiten mit geringer Nachfrage verlagern, helfen sie dabei, das „Tal“ in der täglichen Lastkurve zu füllen, ein Prozess, der als „Lastglättung“ bezeichnet wird. Dies glättet das gesamte Nachfrageprofil, reduziert die Belastung von Kraftwerken und Übertragungsleitungen, senkt die Betriebskosten für die Versorger und erhöht die Netzkapazität, um noch mehr Elektrofahrzeuge in der Zukunft aufzunehmen. Es ist eine Form des Lastmanagements, die die Flexibilität des Ladevorgangs nutzt, um dem gesamten Stromsystem einen wertvollen Dienst zu erweisen.
Die Validierung dieser Strategie erfolgte durch eine detaillierte Simulation, die ein standardisiertes 33-Knoten-Stromverteilungsnetz mit einem 29-Knoten-städtischen Verkehrsnetz koppelte. Die Simulation beinhaltete eine vielfältige Flotte von 1.200 Elektrofahrzeugen, die in private Autos, Taxis und Dienstwagen unterteilt waren, jeweils mit unterschiedlichen Fahrprofilen, Abfahrtszeiten und Ladebedürfnissen, was die reale Komplexität widerspiegelt. Die Ergebnisse waren eindeutig. Im Vergleich zu einem ungeordneten Ladeszenario führte die vollständige Strategie – die intelligente Schnellladeroutenführung mit der optimierten Langsamlade kombiniert – zu erheblichen Verbesserungen in allen Kennzahlen. Sie erreichte die niedrigsten durchschnittlichen Wartezeiten, die ausgeglichenste Nutzung der Ladestationen, den geringsten Einfluss auf den Verkehr und die stabilste Netzspannung. Sie zeigte auch eine signifikante Reduzierung der Gesamtverluste im Netz und der Dauer von Spannungsverletzungen.
Ein besonders überzeugender Aspekt dieser Forschung ist ihre Praktikabilität und rechnerische Effizienz. Die Autoren verglichen ihre Topsis-basierte Entscheidungsmethode mit leistungsstarken Optimierungsalgorithmen wie genetischen Algorithmen (GA), Particle Swarm Optimization (PSO) und Ameisenkolonie-Optimierung (ACO). Obwohl diese Algorithmen hervorragend darin sind, optimale Lösungen zu finden, sind sie bekanntermaßen langsam und erfordern tausende von Iterationen. In der Simulation dauerte die Berechnung einer Lösung mit dem GA über zwölf Stunden, was für ein Echtzeit-Navigationssystem völlig unpraktikabel ist, bei dem Entscheidungen innerhalb von Sekunden getroffen werden müssen. Im Gegensatz dazu erreichte die vorgeschlagene Methode eine qualitativ hochwertige Entscheidung in etwas über zwei Minuten. Diese Geschwindigkeit ist entscheidend für die praktische Umsetzung, da ein Fahrer, der auf eine Ladempfehlung wartet, keine Verzögerung von mehr als einigen Sekunden akzeptieren kann. Die Studie kam zu dem Schluss, dass die Kombination aus Geschwindigkeit und Lösungsqualität diesen Ansatz einzigartig für eine reale Implementierung qualifiziert.
Diese Forschung stellt einen bedeutenden Fortschritt bei der Integration von Elektrofahrzeugen in unsere städtische Infrastruktur dar. Sie verlagert die Diskussion vom bloßen Hinzufügen weiterer Ladepunkte hin zur intelligenten Verwaltung des gesamten Ökosystems. Das „Fahrzeug-Straße-Station-Netz“-Modell bietet einen leistungsstarken Rahmen, um die tiefgreifenden Wechselwirkungen zwischen Verkehrs- und Energiesystemen zu verstehen. Durch die Nutzung von Echtzeitdaten und ausgeklügelter Entscheidungsfindung verwandelt es Elektrofahrzeuge von passiven Stromkonsumenten in aktive Teilnehmer an einem intelligenteren, widerstandsfähigeren und effizienteren Netz. Die Strategie verbessert nicht nur die Nutzererfahrung, sondern erhöht auch die Stabilität und Nachhaltigkeit der Städte, in denen wir leben. Während die Welt auf die Elektrifizierung zusteuert, werden Lösungen wie diese der Fuzhou University unerlässlich sein, um einen reibungslosen und erfolgreichen Übergang zu gewährleisten.
Liu Lijun, Chen Chang, Hu Xin, Lin Yufang, College of Electrical Engineering and Automation, Fuzhou University. High Voltage Engineering, DOI: 10.13336/j.1003-6520.hve.20231078